跨两万物种预测5.66亿基因候选：开源DNA模型Carbon-A如何突破真核生物注释瓶颈

现在测出一个生物的全部 DNA，比读懂它快太多了。 只要把细胞丢进测序仪，几天时间就能吐出几十亿个 A、C、G、T 碱基。 测序越来越便宜，真正的麻烦全堆到了后面。 在这几十亿个密密麻麻的字母里，到底哪一段才是真正负责干活的有效基因？

外行听起来可能觉得，直接顺着字母找不就行了吗？ 真不行。 在细菌这类简单原核生物里，基因确实是连贯的一整块。 但到了真核生物，从一株酵母菌、一棵草，到一只猫、一只鸡和我们人类，大自然的设计就变得极其折腾。 一个能制造蛋白质的基因，在染色体上是被切成一段一段的。 负责干活的编码区叫外显子，中间却隔着大段大段不编码的填充序列，叫内含子。 更绝的是，DNA 是两条相互缠绕的双螺旋。 正向链条上有一套基因，反向链条在完全重叠的位置上，还能反向读出另一套完全不同的基因。 甚至有的物种还会改写密码规则。 比如单细胞的原生生物嗜热四膜虫，把全生物通用的终止密码，自作主张当成正常的氨基酸来翻译。

这要怎么找？ 过去二十多年，生物学界最常用的经典工具叫 AUGUSTUS，底层靠的是隐马尔可夫模型。 这套统计方法有一个致命的死穴：它极其挑食。 你要给一种新发现的真菌找基因，得先在实验室里手动验证过一千多个基因结构，喂给算法做训练。 要是直接拿人类或者拟南芥调好的参数去硬套别的物种，准确率当场跳崖。 更折磨人的是，为了验证基因位置，它必须依赖实验室提取的活体组织 RNA 数据。 可地球上有几万几十万种生物，濒危的、深海的、热带雨林里的，去哪找新鲜活体细胞挨个抽提组织？ 结果就是，全世界的测序仪把上万种生物的基因组读了出来，堆在数据库里。 大家守着天书，却不知道里面写了什么。

上周，Hugging Face 的生物研究团队开源了一个叫 Carbon-A 的 DNA 大模型。 他们想把这个卡了生物学界几十年的注释瓶颈，彻底做成开箱即用。 这个模型有 12 亿参数。 它读 DNA 的方式非常直接。 团队用了一个非重叠的 6 碱基分词器，把上下文窗口直接拉到了 98304 个碱基。 在模型最顶端，挂了两个分别针对正链和反链的分类器。 模型顺着 DNA 文本滑过去，逐个碱基打分，直接输出某段序列属于编码区的概率。

它最厉害的地方，在于不需要按物种单独调参。 同一个模型，通吃哺乳动物、脊椎动物、无脊椎动物、植物、真菌和各类原生生物。 研发人员做过压力测试： 把一个只在动物数据上训练过的模型版本，直接拿去标注完全没见过的植物基因组，依然圈得极准。 哪怕遇到前面提到的嗜热四膜虫这种篡改遗传密码的刺头，在单个碱基层面的 F1 准确率依然高达 0.96。

模型跑通之后，团队干脆顺手把美国国家生物技术信息中心 GenBank 里的公开真核生物全跑了一遍。 整整扫描了 48167 个基因组装配体，涵盖 22617 个物种，处理了 27 万亿个碱基对。 最后给全球生物学界交出了一份惊人的账本： 它一口气预测出了 5.66 亿个蛋白质编码基因候选。 这比过去全球最大的权威参考数据库 RefSeq，物种覆盖量直接翻了 11 倍。 里面有成千上万个物种，人类历史上从来没人给它们做过基因注释。

看到这个数字，很多生物学家第一反应肯定是： 这 5.66 亿个候选到底是不是真的？ 大模型生成文字会产生幻觉，它圈出来的基因，会不会也是 AI 在瞎编？ 团队非常清楚，光靠计算机里的交叉验证，根本不可能让搞生物的人信服。 他们拉上了加州大学圣迭戈分校和 ActiveSite 的湿实验团队，直接进实验室验货。 他们拿出了超高精度的三代长读长测序技术 PacBio Iso-Seq。 这种技术可以直接从真实活体细胞里，抓取完整长度的真实 RNA 分子。

团队重点抓了猫、家鸡、叙利亚仓鼠和拟南芥四个物种。 最戏剧性的对比就在这里出现了。 在很多官方权威数据库 RefSeq 标记为一片空白、没有任何基因的地方，Carbon-A 坚称这里存在有效基因。 实验仪器一测，真实活体细胞里，真真切切抓到了完整转录出来的 RNA 分子，而且剪切拼接的位置和模型预测一模一样。 这说明很多过去以为是模型搞错的假阳性，其实是人类自己之前的权威数据库给漏掉了。

当然，科学探索得讲证据的边界。 在细胞里测到了 RNA，只能证明这段基因确实被转录了，外显子拼接也确实成立。 至于这些 RNA 有没有被核糖体最终翻译成蛋白质，蛋白质折叠出来到底负责什么生命功能，现在还没测完。 下一步还要用质谱仪和核糖体印迹继续往下筛。

但这扇门已经被推开了。 以前人类认识自然界，从抓到一只新虫子、测出一段 DNA，到看懂它身上到底装了哪些零件，中间隔着昂贵的试剂、漫长的实验和几代研究员的青春。 现在把一串原始字母丢给开源模型，几个小时就能拿到一张分辨率精确到单个字母的基因分布图。 这颗星球上几十万种生命各自写了几十亿年的源代码，我们总算拿到了第一份通用的索引目录。